畅谈依恋：利用 LLM 预测成人依恋关系
机器学习
2024-09-04 v1 计算与语言
摘要
在医学领域获取数据具有挑战性，这使得人工智能技术在该领域的应用缓慢且高风险。我们评估是否可以通过大型语言模型（LLM）生成的合成数据来克服这一障碍。具体来说，我们使用 GPT-4 和 Claude 3 Opus 创建模拟具有不同个人资料、童年记忆和依恋风格的成年人的智能体。这些智能体参与模拟的成人依恋访谈（AAI），我们使用他们的回答来训练模型，以预测其潜在的依恋风格。我们使用来自 9 位接受过相同访谈协议并由心理健康专业人员分析和标记的人类转录数据集来评估我们的模型。我们的研究结果表明，仅使用合成数据训练的模型性能可与在人类数据上训练的模型相媲美。此外，虽然来自合成答案的原始嵌入与来自真实人类回答的嵌入占据不同的空间，但引入未标记的人类数据和简单的标准化可以使这些表征更紧密地对齐。这种调整得到了定性分析的支持，并体现在标准化嵌入的预测准确性提高上。
引用
@article{arxiv.2409.00347,
title = {Chatting Up Attachment: Using LLMs to Predict Adult Bonds},
author = {Paulo Soares and Sean McCurdy and Andrew J. Gerber and Peter Fonagy},
journal= {arXiv preprint arXiv:2409.00347},
year = {2024}
}